[论文解读] AIRIS: Artificial Intelligence Enhanced Signal Processing in Reconfigurable Intelligent Surface Communications

Shun Zhang, Muye Li+3 more|arXiv (Cornell University)|Jun 1, 2021

Advanced Wireless Communication Technologies参考文献 45被引用 4

一句话总结

本文提出AIRIS，一种将人工智能（AI）集成到可重构智能表面（RIS）通信中的新型框架，以增强环境感知、信道获取、波束成形和资源调度等环节的信号处理能力。通过利用深度学习与深度强化学习，AIRIS在硬件损伤和动态环境等非理想条件下，实现了数据驱动、鲁棒且自适应的信号处理，显著提升了6G网络的系统性能与适应性。

ABSTRACT

Reconfigurable intelligent surface (RIS) is an emerging meta-surface that can provide additional communications links through reflecting the signals, and has been recognized as a strong candidate of 6G mobile communications systems. Meanwhile, it has been recently admitted that implementing artificial intelligence (AI) into RIS communications will extensively benefit the reconfiguration capacity and enhance the robustness to complicated transmission environments. Besides the conventional model-driven approaches, AI can also deal with the existing signal processing problems in a data-driven manner via digging the inherent characteristic from the real data. Hence, AI is particularly suitable for the signal processing problems over RIS networks under unideal scenarios like modeling mismatching, insufficient resource, hardware impairment, as well as dynamical transmissions. As one of the earliest survey papers, we will introduce the merging of AI and RIS, called AIRIS, over various signal processing topics, including environmental sensing, channel acquisition, beamforming design, and resource scheduling, etc. We will also discuss the challenges of AIRIS and present some interesting future directions.

研究动机与目标

• 解决传统模型驱动式RIS通信信号处理方法存在的局限性，如建模失配、硬件损伤以及高计算复杂度问题。
• 在动态环境、资源不足和信道状态信息不完整等非理想条件下，实现RIS网络中的数据驱动式信号处理。
• 探索AI与RIS的融合，以提升波束成形、信道估计和资源分配等关键信号处理任务中的鲁棒性、适应性与性能表现。
• 识别并解决AI增强型RIS系统中的开放挑战，包括模型泛化能力、预部署优化以及感知-通信一体化问题。
• 提出未来研究方向，如迁移学习、宽带波束成形以及基于AI的预部署技术，以实现可扩展且高效的RIS部署。

提出的方法

• 采用监督深度学习（如CNN、DNN、基于ODE的LSTM）处理信道估计、波束成形设计和波束追踪等任务，利用真实世界或仿真数据进行训练。
• 利用深度强化学习（DRL）实现环境感知的波束成形与资源调度，使智能体通过与动态传播环境的交互学习最优策略。
• 实施联邦学习，实现在多个用户之间分布式、隐私保护的信道估计，无需共享原始数据。
• 设计分类网络用于RIS波束选择，并采用非均匀量化码本以缓解宽带RIS系统中的波束squint问题。
• 集成迁移学习，通过将一个用户训练好的模型知识迁移至相似传播环境中的其他用户，加速模型训练。
• 开发基于AI的预部署框架，利用选择网络优化RIS位置与激活模式，在考虑部署成本和用户活动模式的前提下最大化系统速率。

实验结果

研究问题

• RQ1 在存在硬件损伤和动态环境等非理想条件时，基于AI的信号处理如何提升RIS通信的鲁棒性与性能？
• RQ2 在信道估计、波束成形和资源调度等RIS相关信号处理任务中，哪些深度学习架构最为有效？
• RQ3 如何应用深度强化学习以实现在时变RIS环境中的自适应波束成形与资源分配？
• RQ4 在相似传播环境中，迁移学习在多用户场景下如何提升模型泛化能力并缩短训练时间？
• RQ5 如何利用AI优化RIS的预部署，以应对宽带和高移动性场景，包括无人机搭载的RIS系统？

主要发现

• 基于AI的方法，特别是深度学习与深度强化学习，在处理RIS信号处理中的非线性特性和建模失配方面，显著优于传统模型驱动方法。
• 监督学习即使在部分或噪声CSI条件下，也能实现精确的级联信道估计与波束成形设计，有效降低训练与反馈开销。
• 深度强化学习通过与环境交互学习最优策略，实现在动态环境中的自适应波束成形，提升了系统和速率与鲁棒性。
• 联邦学习实现了多用户间分布式、隐私保护的信道估计，在保持高精度的同时降低了通信开销。
• 迁移学习通过将一个用户训练模型的知识迁移至相似传播环境中的其他用户，加速了模型收敛，提升了泛化能力与效率。
• 基于AI的预部署策略可优化RIS位置与激活模式以最大化系统速率，且由于非实时需求，训练时间可接受。